文本相似性判别是机器翻译、自动问答等自然语言处理任务的基础技术之一。目前文本相似性判别方法在以下方面还存在需要解决的问题:句意重点和词语语义等在自然语言语义表达中起重要作用的信息未能很好地融入到相似性判别中、文本之间的交互特征没有得到充分利用。这些问题导致模型对文本蕴含的真实语义的理解有限,相似性判别的结果往往无法满足实际应用的需求。针对上述问题,本文以孪生网络模型为基础,融入交互匹配的思想,提出了一种结合自然语言语义表达特点的多重交互匹配方法,以实现语义层面的文本相似性判别。本文的工作得到了国家重点研发计划项目“内外贯通的审判执行与诉讼服务协同支撑技术研究”(2018YFC0831300)的支持。论文的主要工作如下:(1)针对现有文本语义相似性判别模型,忽略自然语言语义表达特点的问题,提出了一种基于句意词识别和词语语义交互的直接匹配方法。该方法借助于词性标注工具和本体知识库How Net,分别完成了句意重点信息和词语语义信息的提取,而且在为模型引入词语语义信息的同时,还实现了词语级别早期交互特征的提取。实验结果显示,基于该方法搭建的模型,其判别文本对相似性的准确率比基础模型提高了4.29%。(2)针对交互特征提取不足的问题,除前述方法已经实现了词语早期交互之外,本文还提出了一种基于孪生Bi LSTM的间接交互匹配注意力方法。它面向神经网络模型输出的上下文特征向量,进一步实现了文本对交互特征信息的提取。在该方法中,本文借鉴交互匹配的思想,设计了差异注意力机制,将上下文特征向量间的差异,以注意力的形式引入到句子向量的表达过程中。此种方式实现了局部差异上升至全局差异,得到的文本向量表示,会更加有利于相似性判别任务的进行。实验结果显示,引入该方法后的模型,与基础模型相比,在相似性判别任务上的准确率提高了1.55%。将上述工作与基础模型相结合,最终搭建了多重交互匹配模型MIM-SEC。为验证该模型的有效性,本文分别进行了对照实验和对比实验。对照实验证明了,该模型主要结构的存在具备有效性和合理性,其在数据集上的准确率比基础模型提高了4.81%。同时对比实验显示,MIM-SEC在数据集上的表现,优于常见的相似性判别模型。因此可以得出结论,本文提出的结合自然语言语义表达特点的多重交互匹配方法,是一种有效的基于神经网络的文本语义相似性判别方法。